[发明专利]基于遗传算法优化深度神经网络的通信网络风险评估方法

说明书

随着通信网络的快速稳定发展，通信网络的规模急剧扩大以及其复杂性增加，业务承载量快速膨胀，安全风险日益增加。本发明提出了一种基于遗传算法优化深度神经网络的通信网络风险评估方法，可以有效的对通信网络的风险进行量化评估。所提方法利用遗传算法对深度神经网络中的权重和阈值进行优化，然后将优化后的权重和阈值代入深度神经网络中训练模型得到风险评估值。该方法克服了传统的主观性的风险评估方法，使得评估结果更加准确可靠。最后，对该方法进行了实例仿真，结果表明该方法在实际应用中运行良好。

技术领域

本发明涉及基于遗传算法优化深度神经网络的通信网络风险评估方法，属于数据处理技术领域。

背景技术

随着通信网络的快速稳定发展，通信网络的规模急剧扩大以及其复杂性增加，业务承载量快速膨胀，安全风险日益增加。通信网络由于其网络结构复杂、又受到环境等多种变化复杂的因素的影响，使其在实际运行过程中一旦发生故障将会严重影响人们的生活。然而，通信网络的许多故障并不是突发性的偶然故障，在发生故障前往往经历了一系列的劣化变化过程。因此，对通信网络的评估，判断网络的健康状况，及时发现潜在的风险，对降低通信网络的突发性故障概率、提高其安全运行效率具有重要意义。

目前，常用的传统的风险评估方法如模糊综合评价法、层次分析法、专家打分法等都是主观分析方法，其缺点是显而易见的，即在分析过程中需要人为的设定一些关键风险因素的数值，这在很大程度上影响评估结果的准确性。然而，随着网络技术的快速发展，通信网络中产生的数据也越来越多，传统的风险评估方法已不再适用，因此本发明提出一种基于遗传算法优化深度神经网络的通信网络风险评估方法，适用于在大数据时代下通信网络的风险评估，由于其直接依赖于通信网络中的数据，不需要人为的设定一些风险因素的数值，其评估结果的准确性大大提升。

发明内容

本发明所要解决的技术问题是：提供了一种基于遗传算法优化深度神经网络的通信网络风险评估方法，旨在避免传统的风险评估方法的主观性。

为解决以上技术问题，本发明采用如下的技术方案：

该发明方法首先需要识别通信网络中的风险因素，然后，将识别的风险因素构建一个指标体系，并根据此指标体系从通信网络中获取数据。其次，利用遗传算法优化深度神经网络中各层神经元的权重，得到最佳权值和阈值，并将其代入到深度神经网络中，训练模型，最终得到评估结果。

附图说明

图1是本发明方法的操作流程图。

图2是本发明方法的仿真图。

具体实施方式

本发明解决传统风险评估方法的主观性，利用基于数据的分析方法，提高了通信网络风险评估的准确性。

具体步骤为：

Step1：查找通信网络的风险源，确定通信网络的风险因素。

Step2：构建风险评估指标体系。

Step3：确定深度神经网络结构，初始化权重W和阈值b。

Step4：利用遗传算法优化权重和阈值。具体如下：

a.初始化种群。随机生成原始种群P＝(P₁；P₂；…；P_n)^T

b.计算个体的适应度。种群P中的个体P_i的适应度利用深度神经网络训练产生的误差平方和表示。

c.采用轮盘赌法选择新个体。选择概率为

f_i为适应度的倒数，n为种群规模。